96SEO 2026-06-22 01:37 0
咱就是说传统的客户端UI交付链路Yi经有点过时了。
你kan,PRD负责说明业务目标和规则,Figma负责表达视觉稿,客户端负责把它变成真实App。

每个环节dou合理,但中间有大量信息并不会自动传递。
这就导致了UI走查的时候,总是会出现各种问题。
所以我就在想,如何把Figma走查升级为AI可验证的UI交付。
先来kankan传统UI交付链路的问题传统的UI交付链路,大概长这样:
flowchart LR A --> B B --> C C --> D D --> E
这个流程Zui大的问题是:信息在每一次交接中变薄。
PRD是自然语言,Figma是静态图,截图是视觉结果,代码仓库是工程现实。
它们dou重要,但它们不Neng混成一团丢给AI。
为什么百度不收录我的文章?这个问题我自己也想过。
有人说是因为内容质量不够高。
有人说是因为关键词优化没Zuo好。
但我觉得,geng重要的是:内容是不是真的对用户有帮助。
Ru果你的内容只是敷衍了事,用户kan了也没什么收获,那百度收录它干啥?
如何将Figma走查升级为AI可验证的UI交付?为了解决这个问题,我开始研究如何将Figma走查升级为AI可验证的UI交付。
我参考了Figma MCP和Flutter官方的GenUI。
Figma MCP的思路是在把设计稿里的节点、布局、样式和组件信息,通过工具接口带进AI coding workflow。
这样agent拿到的不是一张孤立截图,而是geng接近设计源数据的上下文。
GenUI给我的启发是:AI生成UI不应该绕开客户端工程,而应该被约束在客户端Yi经认可的组件、协议和运行时边界里。
page-canonical.json, page-debug-index.json, ui-build-plan.json, screenshots/full-page.png
output/<case>/├── page-canonical.json # 证据原档├── page-debug-index.json # 调试索引├── ui-build-plan.json # 实现蓝图├── ui-build-review.md # 中文审查视图└── screenshots/full-page.png
page-canonical.json 是证据原档,记录证据从哪里来源码、运行时、截图和目标工程各自提供了什么用于追溯来源、排查冲突和补查细节。
flowchart TD A --> B B --> C B --> D D --> E D --> F F --> G
ui-build-plan.json里面有什么?
把ui-build-plan.json理解成四类信息:
Widget拆分和文件边界
视觉还原依据
动态文案和国际化计划
实现后验证提示
{ " widgettree " : { " type " : " Column " , " children " : } , " fileboundary " : { ... } , " visualguidance " : { ... } , " dynamictext " : { " +%.2f " : { " source " : " uimodel " , " type ": " number " } } , " validationhints ": }
ProtoBridge 不是我拍脑袋凭空设计出来的。
它的输出是一组产物:page-canonical.jsonpage-debug-index.jsonui-build-plan.json和screenshots/full-page.png。
真正的 Flutter 页面是 agent 读取这些契约以后实现出来的。
示例工程里的公开截图对照| 原型截图 | Flutter 还原截图 |
|---|---|
| 图:简单页面 vs Flutter 还原 | |
| 图:复杂页面 vs Flutter 还原 | |
ProtoBridge采用的是capability-first架构,也Ke以理解成“Neng力优先”。 CLI用的是它,MCP server用的是它,未来Ru果要嵌到其他Node.js工具里也还是复用这一套Neng力。
核心编排逻辑Ke以用伪代码理解成下面这样:
async function reconstructPageContext {
const sourceEvidence = input.source ? await analyzePrototypeSource : undefined ;
const runtimeEvidence = input.url && input.capture ? await captureRunningPage : undefined ;
const screenshotEvidence = input.screenshot || input.ocr ? await attachScreenshotEvidence : undefined ;
const targetProfile = input.targetRepo ? await inspectFlutterTarget : undefined ;
// . 合并成页面级证据原档
const canonicalPage = await mergeEvidence;
// . 生成 agent 默认执行的实现蓝图
const buildPlan = targetProfile ? await createUiBuildPlan : undefined ;
// . 再把机器蓝图投影成中文审查视图
const review = buildPlan ? await renderHumanReview : undefined ;
return { canonicalPage, buildPlan, review };
}
MCP serverNengZuo什么?
MCP server暴露了几个工具,职责hen直观:
reconstructpagecontext 重建页面上下文,生成实现蓝图和审查视图
targetconventions 读取目标 Flutter 工程规范
这样一来我们就Ke以把 UI 交付中原本靠人解释、靠 AI 猜测、靠走查兜底的信息,变成可追溯、可审查、可验证的工程契约。 缺证据就标出来冲突就写进 manual confirmation。比起编一个kan似完整的答案,明确“不确定”在工程协作里geng有价值。
害,以前这些缺口靠人补,现在有了 ProtoBridge ,咱就有底气多了。 你懂的,它geng像是 AI coding agent 的“上下文编译层”: 它Zuo的是:把 AI 原本要猜的部分,尽量变成证据。
简单说: 先Zuo证据归一和契约生成。 它的输入Ke以是: 源码语义 运行时页面 截图证据 目标工程规范
它的输出是一组产物:
说实话,这套设计的好处是:入口Ke以hen多,但核心Neng力只有一套。
所以 ProtoBridge 支持 CLI、MCP 和 core library 三种接入方式。 Zui后这些信息dou会进入 当我们引入 AI coding agent 以后这套链路的问题会被放大。
因为 AI hen擅长“根据Yi有信息生成一个kan起来合理的东西”。
但Ru果证据边界不清楚,它也会hen自然地把不存在的字段补出来把目标工程没有的架构模式引进来或者根据截图猜一个 Flutter widget tree。 这就是为什么 ProtoBridge 选择的是另一条路:
让 agent 在目标工程里按目标工程自己的方式实现。 未来我希望 UI 走查不再是大规模事后兜底,而是变成少量异常确认。
这对我hen重要。因为 UI 还原的问题,hen多时候不是“AI kan不懂图”,而是它缺少图背后的结构、组件、约束和设计意图。 哈哈,总之 ProtoBridge 是一个 原型平台和目标客户端工程之间的上下文桥接层。
它的原则是:工程表达必须来自目标工程证据。 当截图某块区域不对时Ke以从文本、section、node id、bbox、style、asset refs 快速定位回 canonical。
这点hen重要。 真正的视觉效果,仍然需要结合截图、运行预览和人工确认。
但即便如此,它也Yi经比“实现完以后纯靠人肉走查”geng进一步:至少变geng范围、架构偏离、硬编码风险和契约缺失Neng先被自动扫一轮。 Zui后我想说的是:
hen多时候,我们觉得 AI 不稳定,其实是输入本身没有边界。
把 UI 交付中原本靠人解释、靠 AI 猜测、靠走查兜底的信息,变成可追溯、可审查、可验证的工程契约。
这可Neng才是 AI 参与客户端研发时Zui值得投入的方向。
ui-build-plan.json,但各自落在不同区域。
比如代表性节点的细节提升出来:
稳定标签进 i18n
动态值来自 UI model / controller / formatter
作为专业的SEO优化服务提供商,我们致力于通过科学、系统的搜索引擎优化策略,帮助企业在百度、Google等搜索引擎中获得更高的排名和流量。我们的服务涵盖网站结构优化、内容优化、技术SEO和链接建设等多个维度。
| 服务项目 | 基础套餐 | 标准套餐 | 高级定制 |
|---|---|---|---|
| 关键词优化数量 | 10-20个核心词 | 30-50个核心词+长尾词 | 80-150个全方位覆盖 |
| 内容优化 | 基础页面优化 | 全站内容优化+每月5篇原创 | 个性化内容策略+每月15篇原创 |
| 技术SEO | 基本技术检查 | 全面技术优化+移动适配 | 深度技术重构+性能优化 |
| 外链建设 | 每月5-10条 | 每月20-30条高质量外链 | 每月50+条多渠道外链 |
| 数据报告 | 月度基础报告 | 双周详细报告+分析 | 每周深度报告+策略调整 |
| 效果保障 | 3-6个月见效 | 2-4个月见效 | 1-3个月快速见效 |
我们的SEO优化服务遵循科学严谨的流程,确保每一步都基于数据分析和行业最佳实践:
全面检测网站技术问题、内容质量、竞争对手情况,制定个性化优化方案。
基于用户搜索意图和商业目标,制定全面的关键词矩阵和布局策略。
解决网站技术问题,优化网站结构,提升页面速度和移动端体验。
创作高质量原创内容,优化现有页面,建立内容更新机制。
获取高质量外部链接,建立品牌在线影响力,提升网站权威度。
持续监控排名、流量和转化数据,根据效果调整优化策略。
基于我们服务的客户数据统计,平均优化效果如下:
我们坚信,真正的SEO优化不仅仅是追求排名,而是通过提供优质内容、优化用户体验、建立网站权威,最终实现可持续的业务增长。我们的目标是与客户建立长期合作关系,共同成长。
Demand feedback